如果说识别只是AI对人脸做出的第一件事,那么第二件事是什么呢?从各类迹象来看,答案只有一个,那便是给人换脸。

当然,AI不会真的去给人整容(至少目前不会),它能做的是在视频里给人换脸。
比如最近刷屏级的小视频可能大家都已经看过了。

视频中的女主角(确切的说是女主角的脸)是《神奇女侠》的扮演者盖尔·加朵。
但这当然不是其本人出演了什么令人耻辱的小电影。
而是有人用深度学习技能把盖尔·加朵的脸更换到了原片女主角的身体上。
乍看之下基本没什么马脚,但实在两个人是不怎么像的。

(左为原片角色,二人差距实在不小)

想把小片后代主角换成杨幂吗一百行代码搞定AI换脸技能

接下来我将先容如何写一个简短(200行)的 Python 脚本,来自动地将一幅图片的脸更换为另一幅图片的脸。

这个过程分四步:

检测脸部标记。

旋转、缩放、平移和第二张图片,以合营第一步。

调度第二张图片的色彩平衡,以适配第一张图片。

把第二张图像的特性稠浊在第一张图像中。

1.利用 dlib 提取面部标记

该脚本利用dlib的 Python 绑定来提取面部标记(landmark landmark紧张是把人脸的那些关键点定位好,就可以大概确定人脸的角度偏移等信息,以便接下来的人脸对准之类的操作。
):

dlib配置:

1. 官网下载dlib包并解压:

tar xvfj dlib.tar.bz2

2. 进入dlib root 路径,并实行setup.py.

python setup.py install

这个过程假如碰着要安装包就根据提示一步步安装吧~

3. 添加dlib的环境变量:

sudo gedit .bashrc export PYTHONPATH=/path/to/dlib/python_examples:$PYTHONPATH source .bashrc

4. 测试安装是否成功:

python import dlib

Dlib 实现了 Vahid Kazemi 和 Josephine Sullivan 的《利用回归树一秒脸对准》论文中的算法。
算法本身非常繁芜,但dlib接口利用起来非常大略:

PREDICTOR_PATH = \"大众/home/matt/dlib-18.16/shape_predictor_68_face_landmarks.dat\公众 detector = dlib.get_frontal_face_detector() predictor = dlib.shape_predictor(PREDICTOR_PATH) def get_landmarks(im): rects = detector(im, 1) if len(rects) > 1: raise TooManyFaces if len(rects) == 0: raise NoFaces return numpy.matrix([[p.x, p.y] for p in predictor(im, rects[0]).parts()])

get_landmarks()函数将一个图像转化成numpy数组,并返回一个68×2元素矩阵,输入图像的每个特色点对应每行的一个x,y坐标。

特色提取器(predictor)须要一个粗糙的边界框作为算法输入,由一个传统的能返回一个矩形列表的人脸检测器(detector)供应,其每个矩形列表在图像中对应一个脸。

2.用 Procrustes 剖析调度脸部

现在我们已经有了两个标记矩阵,每行有一组坐标对应一个特定的面部特色(如第30行的坐标对应于鼻头)。
我们现在要办理如何旋转、翻译和缩放第一个向量,使它们尽可能适配第二个向量的点。
一个想法是可以用相同的变换在第一个图像上覆盖第二个图像。

将这个问题数学化,探求T,s 和 R,使得下面这个表达式:

结果最小,个中R是个2×2正交矩阵,s是标量,T是二维向量,pi和qi是上面标记矩阵的行。

事实证明,这类问题可以用“常规Procrustes剖析法”办理:

def transformation_from_points(points1, points2): points1 = points1.astype(numpy.float64) points2 = points2.astype(numpy.float64) c1 = numpy.mean(points1, axis=0) c2 = numpy.mean(points2, axis=0) points1 -= c1 points2 -= c2 s1 = numpy.std(points1) s2 = numpy.std(points2) points1 /= s1 points2 /= s2 U, S, Vt = numpy.linalg.svd(points1.T points2) R = (U Vt).T return numpy.vstack([numpy.hstack(((s2 / s1) R, c2.T - (s2 / s1) R c1.T)), numpy.matrix([0., 0., 1.])])

代码实现了这几步:

1.将输入矩阵转换为浮点数。
这是后续操作的根本。

2.每一个点集减去它的矩心。
一旦为点集找到了一个最佳的缩放和旋转方法,这两个矩心 c1 和 c2 就可以用来找到完全的办理方案。

3.同样,每一个点集除以它的标准偏差。
这会肃清组件缩放偏差的问题。

4.利用奇异值分解打算旋转部分。
可以在维基百科上看到关于办理正交 Procrustes 问题的细节。

5.利用仿射变换矩阵返回完全的转化。

其结果可以插入 OpenCV 的 cv2.warpAffine 函数,将图像二映射到图像一:

def warp_im(im, M, dshape): output_im = numpy.zeros(dshape, dtype=im.dtype) cv2.warpAffine(im, M[:2], (dshape[1], dshape[0]), dst=output_im, borderMode=cv2.BORDER_TRANSPARENT, flags=cv2.WARP_INVERSE_MAP) return output_im

对齐结果如下:

3.校正第二张图像的颜色

如果我们试图直接覆盖面部特色,很快会看到这个问题:

这个问题是两幅图像之间不同的肤色和光芒造成了覆盖区域的边缘不连续。
我们试着改动:

COLOUR_CORRECT_BLUR_FRAC = 0.6 LEFT_EYE_POINTS = list(range(42, 48)) RIGHT_EYE_POINTS = list(range(36, 42)) def correct_colours(im1, im2, landmarks1): blur_amount = COLOUR_CORRECT_BLUR_FRAC numpy.linalg.norm( numpy.mean(landmarks1[LEFT_EYE_POINTS], axis=0) - numpy.mean(landmarks1[RIGHT_EYE_POINTS], axis=0)) blur_amount = int(blur_amount) if blur_amount % 2 == 0: blur_amount += 1 im1_blur = cv2.GaussianBlur(im1, (blur_amount, blur_amount), 0) im2_blur = cv2.GaussianBlur(im2, (blur_amount, blur_amount), 0) # Avoid divide-by-zero errors. im2_blur += 128 (im2_blur <= 1.0) return (im2.astype(numpy.float64) im1_blur.astype(numpy.float64) / im2_blur.astype(numpy.float64))

结果如下:

此函数试图改变 im2 的颜色来适配 im1。
它通过用 im2 除以 im2 的高斯模糊值,然后乘以im1的高斯模糊值。
这里的想法是用RGB缩放校色,但并不是用所有图像的整体常数比例因子,每个像素都有自己的局部比例因子。

用这种方法两图像之间光芒的差异只能在某种程度上被改动。
例如,如果图像1是从一侧照亮,但图像2是被均匀照亮的,色彩校正后图像2也会涌现未照亮一侧暗一些的问题。

也便是说,这是一个相称简陋的办法,而且办理问题的关键是一个适当的高斯核函数大小。
如果太小,第一个图像的面部特色将显示在第二个图像中。
过大,内核之外区域像素被覆盖,并发生变色。
这里的内核用了一个0.6 的瞳孔间隔。

4.把第二张图像的特色稠浊在第一张图像中

用一个遮罩来选择图像2和图像1的哪些部分该当是终极显示的图像:

值为1(显示为白色)的地方为图像2该当显示出的区域,值为0(显示为玄色)的地方为图像1该当显示出的区域。
值在0和1之间为图像1和图像2的稠浊区域。

这是天生上图的代码:

LEFT_EYE_POINTS = list(range(42, 48)) RIGHT_EYE_POINTS = list(range(36, 42)) LEFT_BROW_POINTS = list(range(22, 27)) RIGHT_BROW_POINTS = list(range(17, 22)) NOSE_POINTS = list(range(27, 35)) MOUTH_POINTS = list(range(48, 61)) OVERLAY_POINTS = [ LEFT_EYE_POINTS + RIGHT_EYE_POINTS + LEFT_BROW_POINTS + RIGHT_BROW_POINTS, NOSE_POINTS + MOUTH_POINTS, ] FEATHER_AMOUNT = 11 def draw_convex_hull(im, points, color): points = cv2.convexHull(points) cv2.fillConvexPoly(im, points, color=color) def get_face_mask(im, landmarks): im = numpy.zeros(im.shape[:2], dtype=numpy.float64) for group in OVERLAY_POINTS: draw_convex_hull(im, landmarks[group], color=1) im = numpy.array([im, im, im]).transpose((1, 2, 0)) im = (cv2.GaussianBlur(im, (FEATHER_AMOUNT, FEATHER_AMOUNT), 0) > 0) 1.0 im = cv2.GaussianBlur(im, (FEATHER_AMOUNT, FEATHER_AMOUNT), 0) return im mask = get_face_mask(im2, landmarks2) warped_mask = warp_im(mask, M, im1.shape) combined_mask = numpy.max([get_face_mask(im1, landmarks1), warped_mask], axis=0)

我们把上述过程分解:

get_face_mask()的定义是为一张图像和一个标记矩阵天生一个遮罩,它画出了两个白色的凸多边形:一个是眼睛周围的区域,一个是鼻子和嘴部周围的区域。
之后它由11个像素向遮罩的边缘外部羽化扩展,可以帮助隐蔽任何不连续的区域。

这样一个遮罩同时为这两个图像天生,利用与步骤2中相同的转换,可以使图像2的遮罩转化为图像1的坐标空间。

之后,通过一个element-wise最大值,这两个遮罩结合成一个。
结合这两个遮罩是为了确保图像1被粉饰,而显现出图像2的特性。

末了,利用遮罩得到终极的图像:

output_im = im1 (1.0 - combined_mask) + warped_corrected_im2 combined_mask

再附上两张图片素材给大家做到实时换脸:

私信我或关注猿来如此呀公众号,回答:视频学习,免费领取30天学习资源包